在第一阶段，在爱尔兰都柏林共招募了21名成年人(13名女性)，年龄在20至55岁之间(见 表1)。参与者是通过大学的直接联系和口口相传的方式招募的。符合以下标准的成年人有资格入选:年龄在18至65岁之间，能够给予书面知情同意，并且能够用英语交流。在第二阶段，从大洛杉矶地区招募了42名年龄在18至33岁之间的成年人(27名男性)。参与者是通过南加州大学的直接联系和口口相传的方式招募的。第一阶段和第二阶段的研究方案分别由都柏林城市大学研究伦理委员会和南加州大学机构审查委员会批准。

到达实验室后，参与者填写了人口统计信息，包括年龄和性别，以及体力活动准备问卷[ 18];所有人都被认为可以安全锻炼。进行了人体测量;用便携式体重计测量身高至最接近0.1厘米，用电子秤(Seca)测量体重至最接近0.1公斤。

参考加速度计使用GT1M (ActiGraph Corp)进行量化，该双轴加速度计具有既定的信度和效度[ 19]。在基于实验室的活动中，Epoch持续时间设置为15秒，在自由活动中设置为10秒。在测试期间，ActiGraph设备被安装在参与者右臀部腋中线处的松紧带上。对比加速度测量是使用Moto G第一代智能手机(摩托罗拉移动有限责任公司)运行Android 4.3版本(谷歌公司)和Movn应用程序的研究版本进行量化的。Movn是一款商用应用程序，适用于Android和苹果iPhone操作系统，它使用内置的智能手机加速度计被动地量化花在步行和跑步等中等至高强度体育活动上的时间。原始加速度计数据以手机硬件允许的最大频率(200 Hz以上)捕获，并将采样降至50 Hz。Movn应用程序每30分钟采样一次GPS数据，除非检测到移动，在移动期间每分钟采样一次;采用这种采样方法来平衡采样频率和功耗。Movn还允许用户设置每日PA目标，并可以在一天中发出提示以促进目标的实现。将智能手机固定在手机支架中，并放置在ActiGraph加速度计附近。所有参与者都使用了同一部手机。

熟悉智能手机和加速度计后，使用K4b2便携式间接量热仪(Cosmed)评估静息和运动时的情感表达[ 20.]。根据制造商的指导方针，在每次测试之前进行两点校准程序。氧(O)的校正₂)和二氧化碳(CO₂)传感器使用已知浓度的标准气体(气体1:0₂= 20.93%,有限公司₂= 0.04%;气体2:0₂= 15.00%,有限公司₂= 5.00%)。使用3-L注射器校准呼吸量。利用K4b2体系计算的EE (kcal/min)=(3.781 × V / O)计算出EE的速率₂) + (1.237 × v³co₂)若UN(尿素氮)=0，其中V O₂=吸氧量(L/min)和V / CO₂=二氧化碳产量(L/min) [ 20.]。

一个由尼龙带固定的面具(汉斯·鲁道夫)覆盖着参与者的鼻子和嘴巴。面罩连接在一个双向数字涡轮流量计上，以测量吸入和过期空气的体积。心率数据使用FT1，一种佩戴在胸前的传感器(Polar Electro)。

一旦仪器，参与者保持坐姿15分钟，同时记录生理数据;取最后5min数据的平均值，计算静息EE。然后，参与者在电动跑步机上(类星体医学，H/P宇宙运动和医疗有限公司)完成了四组独立的步行和跑步。参与者在轻度(4公里/小时和6公里/小时)、中度(10公里/小时)和剧烈强度水平(≥12公里/小时)下完成5分钟的运动，中间间隔3分钟的被动恢复。

在实验室基础的活动之后，参与者被指示在自由生活的日常活动中佩戴ActiGraph加速度计(如上所述)并携带智能手机(就像他们通常携带个人手机一样)24小时。研究人员要求参与者在进行游泳、淋浴和沐浴等水上活动时摘掉这些设备。在自由生活运动中，为喜欢这种携带方法的参与者提供了一个可选的运动臂章携带箱。24小时后，参与者归还手机和加速度计。

交叉验证样本的程序已在其他地方描述[ 21]。简而言之，每个参与者都佩戴了一部三星Galaxy Nexus S手机，Android版本2.3.3，带有Movn应用程序，安装在右髂骨上，带一个皮带架来记录运动。EE通过佩戴在背包中的Oxycon便携式间接量热仪(CareFusion)测量，以使参与者舒适。参与者完成了三组6分钟的跑步机步行(4,5和6公里/小时)，中间间隔2分钟的被动恢复。

使用制造商的软件下载心率、热量计和ActiGraph数据;使用文本阅读器下载智能手机数据，导出用于手动分析，并在后处理中同步。

在每个基于实验室的活动回合的最后2分钟计算平均值，遵循第1阶段和第2阶段的类似程序。通过去除非磨损时间(相当于>60分钟的连续零计数)来清洗自由加速度计数据。分析需要至少10小时的可获得的自由生活数据。对数据进行处理，生成可比较的EE单位以供分析[ 17]。

统计分析使用社会科学统计软件包(SPSS) version 21 for Windows (IBM Corp .)进行。

为了从Movn活动计数中得出情感表达的估计，我们按照既定的方法进行了多元回归[ 19]以确定通过间接量热法测量的Movn活动计数、参与者特征和情感表达之间的最强关系。然后使用EE的估计来确定Movn活动计数阈值，这些阈值与轻度(<3代谢当量任务[MET])、中度(3-6 MET)、重度(6-9 MET)和重度(>9 MET)活动强度水平的可接受分类相关。 19]。回归方程还应用于第二阶段基于实验室的数据，以交叉验证使用不同智能手机硬件的独立样本中EE估计的准确性。

根据Welk等人提出的指南评估情感表达的测量效度[ 17]，他们认为两种测量方法之间的一致性需要证明三个独特的特征:等效组估计，测量之间的关联，以及不存在系统和/或异质性偏差。此外，还建议在个人层面进行补充分析，以确定群体层面的协议在个人之间是否一致。

将Movn情感表达测量的标准和收敛效度分别与第一阶段实验室活动期间通过间接量热法测量的情感表达和第一阶段实验室活动和自由生活活动期间通过ActiGraph运动计数估计的情感表达进行比较; t进行-检验以检测系统标准和收敛组水平测量偏差。还进行了简单的方差分析，以确定在实验室活动中，群体水平标准或收敛测量偏差是否受到活动强度水平的影响;采用bonferroni校正配对比较(即最不显著差异)探讨显著主效应 P× N(N−1)/2配对比较)。此外，还计算了95%的偏差一致性限，以评估整个测量范围内的绝对测量一致性和偏差的同质性[ 22， 23]。通过计算Pearson相关系数和双向随机效应类内绝对一致性相关系数(ICC)来评估Movn与参考测量方法之间的关系。

补充分析比较了整个基于实验室的活动方案的时间同步组级测量，以确定测量模式之间的一致性[ 17]。此外，还计算了个人水平的偏差，以确定整个样本中群体水平的一致性。

为了确定使用智能手机传感器数据来确定活动的地理位置和人类运动模式的可行性，将加速度计和GPS数据结合起来，以提供PA的位置和强度的指示。将数据导入ArcGIS 10.2.2 (Esri)版本，转换为定位点，插值成二维(2D)空间路径和三维(3D)时空轨迹。

描述性数据以平均值(标准差)报告;偏倚数据以平均值和95% CI报告;α=。05for all hypothesis tests.

包括Movn活动计数和参与者体重在内的多变量回归模型是测量情感表达的最强预测因子(公式1， r²=点;见= 1.94千卡/分钟)。测量的情感表达与预测的情感表达之间的关系见 图1．

公式1:EE (kcal)=0.00063 ×活动水平(计数/分钟)+ 0.121 ×体重(kg)−5.66

使用公式1确定Movn活动计数阈值，这些阈值与轻度(<3 MET)、中度(3-6 MET)、重度(6-9 MET)和重度(≥9 MET)活动强度水平的公认分类相对应[ 19];根据第一阶段实验室数据得出的阈值见 表2．校正因子(2121)应用于智能手机加速计数据，以促进尺度一致性，并允许在Movn和ActiGraph活动计数之间进行比较。

当应用于交叉验证样本(阶段2)时，公式1在实验室行走时估计精度较低( r²= .24点;见= 1.10千卡/分钟)。

补充分析比较了第一阶段以实验室为基础的活动方案中时间同步组水平的测量结果，表明Movn和量热法的EE测量模式在低和中等活动强度水平下非常相似( 图4;［ 17]);然而，确定了两个重要趋势。首先，在运动方案的后期，在最快的机车速度期间，Movn EE测量模式大大低于标准量热测量;在更快的速度下，不同的测量模式表明，Movn应用程序在量化高强度机车活动方面可能不太有效。其次，Movn和热量计测量模式之间的显著异步性反映了能量需求变化(即机车速度的瞬间变化)和生理EE(即氧气消耗的逐渐增加)之间的预期延迟。

对个体水平测量偏差的检验显示，大多数参与者对总情感表达的高估相对较小;然而，2名参与者的情感表达被高估，6名参与者的情感表达被低估( 图5;［ 17]）.这种不一致表明Movn可能比个人层面的测量更适用于群体层面的监测工具。

这项研究试图检验Movn智能手机应用程序评估PA和人类运动模式的有效性。与先前的研究一致，Movn活动计数与测量的情感表达密切相关，并且与Freedson等人报道的预测功能相比，SEE更有利[ 19]。与强度水平分类阈值相关的活动计数低于Freedson等人的报告[ 19]，可能是因为将原始加速度计输出信号(如电压)转换为活动计数的算法之间存在差异。与受控实验室环境中的间接量热法相比，没有系统的总体测量偏差，中等程度的一致性限制和非常强的相关性表明，movn推导的EE估计值具有良好的一致性。当在交叉验证模型中使用不同型号的智能手机时，一致性不那么强，这可能是由于集成固态加速度计芯片之间的差异。

总之，这些数据表明，Movn可以在受控的实验室环境中提供可接受的PA测量精度;然而，在较高的活动强度水平下，更大的误差变异性表明，与高强度运动训练相比，它可能更适合于量化一般每日pa。这些发现与最近基于Android智能手机的活动测量工具的验证相当，与ActiGraph GTX3加速度计相比，在较高的活动强度水平下，显示出很强的相关性，但测量误差较大[ 7， 8]。

在24小时的自由生活活动中，与常用和经过验证的ActiGraph加速度计相比，Movn高估了EE;在高强度的活动中，偏差再次变得更大，变化更大。尽管如此，Movn和EE的参考估计值密切相关，并且这些数据与在自由生活环境中比较智能手机和Fitbit Zip可穿戴传感器与ActiGraph的其他数据相比更为有利[ 6， 7]。测量单位的差异妨碍了对测量效度进行更详细的比较。

探索性补充分析揭示的个体间差异表明，Movn应用程序可能最适合群体层面的监测。与ActiGraph等可穿戴式传感器相比，智能手机应用可以更可行、更经济地分布在大量人群中，因此这种方法在大规模人群研究中具有相当大的潜力。

将智能手机收集的地理空间和加速度测量数据整合到GIS中，以深入了解时间运动模式(位置和强度)是可行的。结合大规模人口监测的潜力，通过绘制运动模式来增强情感表达数据的能力突出了基于智能手机的测量工具的潜力，以支持评估影响情感表达的干预措施和政策的驱动因素和影响的新研究。然而，如此大规模的分析也给数据处理和分析带来了挑战。

总的来说，这项研究和以前的工作都强调了智能手机作为实验室和自由生活环境中可接受的PA测量的价值。鉴于其无处不在、集成传感器功能(加速度计、陀螺仪、倾角计和GPS)和被动数据收集，与现有的测量方法相比，智能手机提供了额外的价值。产生大型数据集的能力进一步增加了价值，这些数据集可用于了解影响PA的时间、位置和上下文因素。这些信息可用于提供决策提示点或行为改变策略，以增加PA和减少久坐行为。

本研究将地理空间和加速度测量数据整合到GIS中，展示了使用智能手机描述人类运动模式的背景(即活动的时间和地点)的潜力。这种方法已被证明，但通常依赖于单独的设备来收集活动和地理空间数据，这增加了参与者的负担，并限制了观察的持续时间(7-14天)。被动的智能手机数据收集减少了参与者的负担，并允许持续的数据收集，只要应用程序被安装，个人继续为他们的智能手机充电。许多商业智能手机应用程序都利用了这些功能(例如Moves、Human和Movn)。与独立的GPS设备相比，智能手机提供了实用的优势，尽管最大数据捕获频率通常较低(大约1 Hz vs 5+ Hz) [ 26]。增加采样频率有可能提高GPS测量精度，但会对智能手机电池寿命产生不利影响，并且可能只在运动模式快速波动的活动中提供额外的好处[ 26]。在这项研究中，Movn应用程序被配置为每30分钟记录一次GPS位置，或者当通过加速度计检测到活动时，以优化智能手机电池寿命。更频繁的采样将提高地理空间运动模式的分辨率，但由于耗电量更快，可能会限制最长记录时间。

本研究对今后的研究具有重要意义。智能手机可以在不使用专用测量工具的情况下被动地测量大量人群中的PA，并提供了利用上下文化时间和地理位置数据丰富传统PA测量的机会。未来的工作可能会利用智能手机、智能手表和消费级可穿戴活动追踪器之间的现有集成，在智能手机非携带时间捕捉PA。时间和位置上下文数据为了解人们的运动模式提供了机会，这可能有助于识别和利用PA干预的最佳机会。利用智能手机应用程序产生的大数据，可以提供有关人们如何移动、在哪里移动以及这些模式是否随时间稳定的详细信息。如果模式可以预测，那么就可以通过智能手机进行干预，以促进PA和减少久坐行为。地理空间数据可以通过物联网与其他传感器或数据源连接起来，以提供“及时”干预措施，例如推广主动交通选择(附近的自行车或步行路线)，而不是驾驶机动车。这种方法将符合智慧城市研究的概念，即利用物联网进行公共和环境健康监测[ 9]。

智慧城市的投资重点是数字基础设施，包括信息和通信技术，而不是传统的物理基础设施。虽然智慧城市技术通常侧重于系统效率(交通和废物管理等)，但它们具有促进PA和健康的潜力[ 9， 27]。为了充分发挥智能手机数据的优势，有必要开发大数据分析方法来提取、处理和解释大量数据。为了实现这一目标，PA研究人员需要在这些技术方面发展专业知识，或者与在大数据处理和分析方面具有适当专业知识的人合作。

本研究的优势包括使用间接量热法作为验证EE估计的标准参考，使用交叉验证样本来评估不同智能手机上EE估计的有效性，以及在GIS中整合地理空间和加速度测量数据。本研究的一个局限性与智能手机数据的数据缩减方法有关。与研究级加速度计不同，目前还没有管理智能手机加速度计数据的既定方法。负情感表达测量偏差可能表明智能手机非携带时间;然而，由于手机和个人不活动的分类方法尚未确定，因此不可能验证这一假设。我们应用了加速度计通常使用的标准(去除>60分钟的连续零值)，这可能有助于方法之间的一致，但不能区分智能手机不携带时间和真正的不活动时间。需要进一步的研究来描述可以区分这些使用模式的数据模式，这将对如何解释智能手机数据产生重大影响。越来越普遍的嵌入式陀螺仪传感器可以帮助克服这个问题。值得注意的是，独立的可穿戴加速度计也受到这一限制，与间歇性的智能手机不携带时间相比，长时间的不佩戴可能导致更大的数据丢失。研究人员应该考虑到这些限制，并选择最适合其实验目标的测量工具类型。 Additional limitations include the number and characteristics of participants and the limited period of free-living activity monitoring. As the primary sampling unit in this study is sensor observations not individuals (ie, 50 Hz accelerometer data), the study is appropriately powered to achieve validation objectives. Because participants were healthy adults, these results may not generalize to populations with musculoskeletal limitations or medical conditions that modify the energetic demands of comparable PAs. Finally, the short 24-hour free-living validation period may limit the range of activities and activity intensity levels included in the free-living analysis. Although high frequency sensor sampling enables ample statistical power for validation objectives, future research may consider longer data collection periods that may include a wider range of activities.

Movn智能手机应用程序提供了低强度和中等强度体力活动情感表达的有效测量;然而，在高强度的活动中，测量效度降低。鉴于其无处不在、集成传感器、被动数据收集以及与外部数据流连接的潜力，智能手机为增强对人类运动的性质和背景的理解提供了一个理想的机会，特别是在人口水平上。这为数据处理和分析提出了未来的挑战，同时也为新的、响应性的和个性化的干预策略提供了机会。